国外星载人工智能技术的应用进展

“十四五”及未来一个时期，中国将陆续推进探月四期、载人登月、小行星探测、先进太空防御、互联网星座等重大工程。航天器在执行上述任务时面临任务高动态、环境未知严苛以及系统不确定性等不利因素，因而对航天器的自主能力和智能水平提出了更高的需求。

进入21世纪，在算法、算力、数据的加持下，以深度学习为代表的人工智能技术在理论和方法层面获得重大突破，在各个领域都有广泛的应用和影响。星载人工智能技术是指将人工智能技术应用于航天嵌入式系统，以期实现航天器具备“会理解、会思考、会决策”的能力。近年来，星载人工智能技术在自主导航与感知、智能决策与规划、群体智能协同等领域的应用已经成为发展趋势。

目前，国外许多机构已经开展星载人工智能技术研究，并进行工程应用验证，例如：美国帕兰提尔公司（Palantir）将先进的人工智能模型部署到卫星上进行在轨计算，通过自研边缘人工智能（EdgeAI）平台，用户可以在感兴趣的区域识别任何感兴趣的目标，并且能够根据任务需要快速重新配置在轨卫星。这表明，在轨部署人工智能模型可以为航天器提供强实时、可扩展、智能化的在轨服务，为满足未来航天任务需要提供有利保障。目前星载人工智能技术应用过程主要存在航天嵌入式系统存储资源受限、在轨应用可信性难以评估等问题，因此，掌握和突破星载智能软件轻量化、智能化移植、在轨可信验证等理论、方法和技术，并将研究成果应用于实际航天工程任务中，具有非常重要的理论意义和应用价值。

NASA星载人工智能技术应用现状

美国国家航空航天局（NASA）在深空探测器上大量应用人工智能技术，实现科学目标的自主感知与智能导航。好奇号（Curiosity）火星探测器于2012年8月成功登陆火星表面，执行巡视探测任务。2015年10月地面上传了一个名为“搜集优先科学目标自主探索”（AEGIS）的自主系统[2]对好奇号进行软件升级，这是历史上首次将人工智能技术应用于远程探测器上。AEGIS使得探测器能够自主辨识、排序、高精度观测科学目标，无需等待接收地面发送的采样指令。自从AEGIS系统部署应用于好奇号后，在2016年5月13日至2017年4月7日内，该软件总共被使用54次。在没有该软件的时候，好奇号用于观察科学家感兴趣的区域仅占全部时间的24%左右，而使用该软件后，该比例上升到93%。这个结果表明相似的人工智能技术可以被应用在未来更多的任务中。2020年7月30日发射的毅力号（Perseverance）核动力火星车搭载了增强型自主导航系统（ENav），利用计算机视觉、路径规划等人工智能技术，实现长距离的自主导航移动，减少了对地面控制的依赖，有效提高了巡视探测的效率。2023年7月15日毅力号火星车自动驾驶记录数据表明，在行驶过程中毅力号可以利用自主导航系统重新规划行驶路线，绕过了左侧35cm大小的岩石。

ESA星载人工智能技术应用现状

2020年9月2日，欧洲航天局（ESA）首颗人工智能地球观测卫星Φ卫星1号（Φ-Sat-1）搭乘“织女星”（Vega）运载火箭成功发射。Φ-Sat-1搭载了高光谱相机和人工智能芯片，将在可见光、近红外和热红外光谱对地球进行成像，用于监测植被和水质变化，探测城市热岛，并研究蒸发蒸腾作用如何影响气候变化。

Φ-Sat-1搭载了一台基于机器学习的在轨数据处理平台，用于人工智能技术验证。该平台可以在轨对卫星遥测数据进行实时分析和特征提取，筛选出有价值的信息并优先下传，减少了数据传输的带宽压力。例如，Φ-Sat-1在卫星上运行深度神经网络，自主识别高光谱图像中的云层，并自动过滤掉这些图像，减少下传到地面的数据量，提高信息响应速度。该平台采用英特MovidiusMyriad2视觉处理器，其计算机视觉和图像信号处理硬件加速块进一步提高了图像处理的效率，可提供1TFLOPS的低功耗AI算力，满足机器学习算法的运算和存储需求。2024年8月16日，Φ-Sat-2搭载猎鹰9号火箭进入太空，搭载多光谱相机、人工智能处理器和应用程序，将在街道地图生成、云检测服务、海上船舶检测、图像压缩和重建、实时海洋污染监测、森林火灾监测等方面验证星载人工智能技术应用。

DLR星载人工智能技术应用现状

2018年6月，德国宇航中心（DLR）将一个名为“航天员交互式移动伴侣”（CIMON）的小型机器人送往“国际空间站”（ISS）。

CIMON是首台飞入太空的人工智能机器人，其人工智能系统基于国际商业机器公司沃森平台（IBMWatson），由空中客车公司（Airbus）和国际商业机器公司合作研发。CIMON可以作为航天员的助手，能够与他们交流并协助完成日常任务，还可以将数据发送回任务控制中心。

新一代航天员机器人伴侣CIMON2已于2019年亮相国际空间站，它不仅可以听懂航天员的语义，还升级了情感分析功能，可以通过语调评估航天员的情绪并作出反应。

SpaceX星载人工智能技术应用现状

美国太空探索技术公司（SpaceX）在火箭飞行控制、“星链”（Starlink）部署管理等方面应用人工智能技术。SpaceX的火箭配备AI自动驾驶系统，在飞行过程中实时分析传感器数据和环境信息，利用凸优化算法、计算机视觉等技术，自主调整火箭姿态、速度和飞行轨迹，实现垂直精准着陆。“星链”项目利用人工智能技术实时监测卫星运行状态和性能指标，自主识别潜在故障模式并提前预警维护，确保卫星网络安全高效运行。此外，机器学习算法还可分析网络流量和用户需求，动态调整数据传输路径，实现负载均衡，增强网络的稳定性和可靠性。

Iridium星载人工智能技术应用现状

下一代铱星卫星通信系统（IridiumNEXT）采用了基于机器学习的自适应波束赋形技术。该技术可以根据通信环境的变化，自主优化卫星天线的波束方向和形状，提高通信链路的稳定性和抗干扰能力。通过对卫星信号环境进行机器学习建模，预测信号质量的变化趋势，提前调整波束赋形策略，利用强化学习算法自主优化波束赋形参数，实现波束的精准跟踪和动态优化。

人工智能技术在提供强大的特征提取与数据处理能力的同时也引入了成千上万的参数存储需求和浮点数计算需求，频繁的内存访问以及计算过程也带来了巨大的功耗。因此，人工智能模型大多运行在体积大、能耗高、价格昂贵的高性能并行计算设备（如GPU）上。然而航天嵌入式系统内部集成的硬件设备的处理能力、存储资源以及能源供给等十分有限，这极大地限制了人工智能模型在航天嵌入式设备上的部署，给人工智能技术在航天领域的落地应用带来了巨大的挑战。

随着人脸识别、推荐系统、物联网、自动驾驶等技术的发展，在智能手机、便携式设备、车载控制系统等嵌入式设备上运行人工智能模型，是人工智能技术走向应用普及的关键一步。因此，如何在资源受限的嵌入式设备上部署运行深度学习等人工智能模型，一直是学术界和工业界的研究热点。2017年9月，英伟达公司（NVIDIA）发布高性能深度学习推理优化器和运行时加速库TensorRT-3，为深度学习应用提供低延迟、高吞吐率的部署推理。在推理过程中，基于TensorRT的应用程序比仅使用CPU作为平台的应用程序快40倍。西安电子科技大学提出了一种深度卷积神经网络的压缩及加速方法，解决现有深度卷积神经网络不能直接应用于不含GPU的通用计算平台上的问题。以上方法均为特定嵌入式设备上的部署应用，难以适用在资源限制更为苛刻的航天嵌入式设备上。

在轨应用人工智能技术可以有效提升航天器的自主能力，完成更加复杂多变的任务。通常根据任务需求，利用地面大量的数据和计算资源，训练人工智能模型，再将其部署到航天器嵌入式系统上，其架构如图1所示。

图1  星载智能软件部署架构

针对航天器强实时、高可靠、空间恶劣环境下的应用需求，充分考虑星上受限资源，掌握和突破星载智能软件轻量化、智能化移植、在轨可信验证等方法和技术，研发相应的支撑工具与平台，并且，将研究成果在实际航天工程任务中落地应用迫在眉睫。这是实现人工智能在轨应用的基础技术支撑，具有非常重要的理论意义和应用价值。

智能模型轻量化技术

人工智能模型轻量化是指在尽量不降低模型精度的前提下，减小模型规模，降低计算复杂度，主要包括量化、剪枝、知识蒸馏、紧凑网络设计等方法。

量化是指用较少的比特数表示模型中的权重参数或激活值，以减少模型的存储空间和内存占用。例如，采用较小的数据类型(如整型INT8)来代替一般为32bit的浮点型参数FP32数据，这样能够减少模型尺寸，降低内存消耗，加快训练过程，但可能带来量化误差，影响模型性能。

剪枝是指通过判断指标去除网络中不重要的连接来降低网络参数和计算量。剪枝后的神经网络参数量变少，计算速度加快，计算成本降低，这使得将剪枝后的神经网络部署到算力比较低的手机和穿戴设备上成为可能。但是剪枝后可能需要微调模型。

知识蒸馏是指将网络结构较为复杂且精度高的网络模型或多个网络模型（教师模型）提炼的知识迁移到其他网络结构较为简单且紧凑的模型（学生模型）上，使学生模型达到与教师模型相当的性能。知识蒸馏法可使深层网络变浅，极大地降低了计算成本，但需要额外的训练过程和数据集。

紧凑网络结构设计是在现有神经网络结构的基础上，通过改变空间卷积运算方式和移位卷积运算方式这两种基本运算方法，重新设计网络结构，从而得到参数量少、运算快的网络结构。主要围绕卷积核和卷积方式来改变网络需求的计算量和参数大小，从调整卷积核大小、分解卷积运算这两个方面进行轻量化。常见的有ShuffleNet、MobileNet和SqueezeNet。

模型智能化移植技术

深度神经网络通常基于GPU进行离线训练，并移植至MCU、ASIC、边缘GPU、移动端处理器以及FPGA等硬件平台进行部署。然而，由于各个硬件平台的开发流程不尽相同，且优化机理在底层处理逻辑上存在实质性差异，模型的跨平台移植开发难度较大。当前，已有研究在特定硬件平台上进行了模型移植的研究，并提出了一定程度上通用的模型移植框架。

XLA是谷歌（Google）为TensorFlow开发的线性代数编译器，它将TensorFlow的计算图节点映射为高层优化（HLO）中间表示并进行多种目标无关的图优化，编译器后端则对中间表示进行目标相关的优化并自动生成针对特定硬件的机器码。

Glow是元公司（Meta）开源的深度学习推理框架，采用了和XLA类似的策略进行计算图优化与代码生成，不过其面向的框架为Pytorch和其他能转为ONNX的框架，且更侧重于对多后端与新型硬件的支持，还提供了内存预分配、异步执行和低精度计算等运行时性能优化功能。

nGarph是英特尔（Intel）开发的开源深度学习编译器框架，可以将特定框架的算子转为与框架无关的nGraphIR，再通过转换器将IR转为特定硬件平台的高效代码，nGarph还可以作为其他框架的插件，将其他编译器的中间表示转为nGraphIR进行部署。

TVM是阿帕奇软件基金会（Apache）开源的深度学习编译与优化软件栈，通过对神经网络模型的端到端优化实现在各种硬件平台上的高效运行。TVM支持解析Tensorflow、Pytorch、Keras等前端深度学习框架模型，把前端模型转换成中间表示层，进行联合图级和运算符级的优化，生成特定硬件的优化代码。它的最大特点在于支持多种硬件后端（如CPU、GPU、DSP、FPGA等）。

TensorRT是英伟达公司开源的AI神经网络推理引擎，旨在优化深度神经网络模型的部署和推理。TensorRT通过对层间的横向或纵向合并，使得神经网络层数大幅减少。横向合并可以把卷积、偏置和激活层合并成一个CBR结构，只占用一个CUDA核心。纵向合并可以把结构相同，但是权值不同的层合并成一个更宽的层，也只占用一个CUDA核心。合并之后网络的计算图层数减少，占用的CUDA核心数也会减少，内存访问次数和访问量也随之相应下降，因此整个模型结构会更小、更快、更高效。但是，TensorRT专为NVDIA设备设计，对于基于ARM芯片的设备可以使用国内NCNN或者MNN推理引擎。相比TensorRT，国产的NCNN和MNN在性能优化和算子支持上都存在一定的差距。

在轨可信验证技术

随着人工智能技术在卫星领域的应用逐渐深入，智能模型在轨可信验证技术成为研究热点。目前，该技术主要聚焦于验证模型的安全性和可解释性等方面。

在安全性方面，研究人员通过对抗攻击检测技术，检测模型是否会被恶意输入干扰，确保模型在复杂空间环境下也能稳定运行，如在一些星载图像识别模型中，采用对抗训练的方式提高模型抵御对抗样本攻击的能力。

在可解释性方面，由于卫星任务决策需要明确依据，科研人员尝试开发可视化工具，将模型内部的计算过程和决策逻辑呈现出来，方便工程师理解和验证模型的输出结果，例如在卫星通信链路优化模型中，利用解释性算法为决策提供依据。

然而，当前该技术仍面临挑战，如空间环境复杂多变，模型验证难以全面模拟真实情况；计算资源受限，一些复杂验证算法难以在轨实施等。

通过对国外星载人工智能技术应用现状的调研和关键技术的分析，可以看到在轨智能技术是未来航天领域的发展方向，是提升航天器自主能力和智能化水平的关键。目前，星载人工智能技术在智能模型轻量化、智能化移植和在轨可信验证等方面还存在不足与挑战。

1）在人工智能模型轻量化技术方面，根据现有型号任务与未来规划，图像识别、目标检测、图像分割等视觉任务相关的智能模型在星上部署应用的需求量较大，考虑到视觉任务模型间的相关性，同时为后续任务提高研制效率做技术储备，还对模型轻量化方法的通用性提出了要求。因此，针对多种航天器视觉任务的人工智能模型，从模型参数分组、通道表征、存储与计算优化等角度出发，在星上嵌入式设备中实现低性能损失的轻量化模型部署，为人工智能模型在航天受限环境下的应用提供技术支撑，是亟待解决的关键问题。

2）在模型智能化移植技术方面，现有模型移植框架大多针对特定的硬件平台，与星载嵌入式环境差异较大，手动模型转换将耗费大量的人力和时间成本。此外，为了满足实时处理任务要求，必须在资源受限情况下，充分挖掘处理器的计算资源潜力，提升在轨处理速度。随着智能计算架构的发展，还需要具备分布式并行智能处理能力。因此，在航天嵌入式设备中实现自动、准确、高效的模型部署优化，是亟待解决的关键问题。

3）在在轨可信验证技术方面，针对星载智能软件源代码的正确性、规范性、部署后模型的精度对比、智能模型在轨鲁棒性等需要系统性的验证与评估。现有人工智能模型源代码正确性验证方法大多是对转译前的Python模型进行缺陷检测，缺少对转译后的星载智能软件缺陷检测。现有模型鲁棒性分析方法大多处于地面验证阶段，且依赖于大量的测试数据，星上在轨资源受限，需要引入持久学习机制，利用领域知识对潜在的异常数据进行模型设计，并利用在线数据进行模型更新，使鲁棒性分析更适配实际的在轨环境。因此，部署后源代码正确性、规范性，智能软件在轨鲁棒性等验证需要相应的方法支持，是保障航天器在轨安全运行的关键。